Prime Agent とは何か｜RLMと Continual Harness を解説

Prime Intellect は2026年8月5日に Prime Agent を発表し、翌8月6日にMITライセンスでオープンソース公開した。GitHubリポジトリは PrimeIntellect-ai/prime-agent で、公開初日にGitHub Trendingで2,000以上のスターを獲得、2026年8月20日時点でスター数は約17.4kに達している（公式ブログ: https://www.primeintellect.ai/blog/prime-agent ）。設計の中核にあるのはRecursive Language Model（RLM）とContinual Harnessという2つの抽象で、前者はエージェントの推論構造、後者はエージェントの「学び方」を規定する。既存のコーディングエージェントとの違いを知りたい人は Claude Code の完全ガイドやCodex・Claude Code・Cursor・Copilot比較と合わせて読むと位置づけがつかみやすい。

RLMの最大の特徴は、モデルが永続IPythonカーネルを唯一の主要ツールとして使う点にある。多くのコーディングエージェントは、ファイル読み込み・検索・コマンド実行などを個別のツールスキーマとして定義し、モデルはそれぞれを個別に呼び出す。Prime AgentのRLMはこれと発想が異なり、コンテキストを変数として扱う。巨大な入力（長いログ、リポジトリ全体、過去の会話履歴など）をそのままプロンプトに読み込ませるのではなく、Python変数として保持し、モデルは必要な部分だけをコードで検査・スライス・変換して取り出す。これにより、コンテキストウィンドウを圧迫せずに大規模なデータを扱える。

もう一つの特徴が、サブエージェント委譲を関数呼び出しとして扱う設計である。サブエージェントは await rlm("task") という形でフルセッションとして起動され、非同期にメッセージを返す。これにより親エージェントは複数のサブエージェントを並列にファンアウトでき、しかもサブエージェントの完了を待たずに、実行途中で指示を出して操舵（ステアリング）することができる。従来の「ツールスキーマ＋コンテキスト圧縮（要約やRAGでコンテキストを削る）」という組み合わせに対して、RLMは「コンテキストも制御フローもコードとして扱う」というアプローチを取っている点が根本的に異なる。並列処理の設計思想という意味では Mosaic による Claude Code 並列実行とも比較しておきたい。

RLMの構造により、Prime Agentは（1）複数のサブタスクを並列のサブエージェントに同時委譲する並列ファンアウト、（2）サブエージェントの実行が終わるのを待たずに追加指示を送る途中操舵、（3）カーネル内に状態を保持し続けたまま進める長時間タスクを得意とする。公式に報告されているベンチマークとして、Opus 5を用いた場合にARC-AGI-3で95.5%（RHAE Best@1）を記録し、これは報告された人間エキスパートのベースラインである95.4%を上回った。またEmulatorBenchではSega GenesisおよびGame Boy Colorのエミュレータ再現に成功し、MazeBenchでは各フロンティアモデルのネイティブハーネスを上回る結果を示している。これらはいずれも公式ブログで報告された値であり、それ以外のベンチマークについては現時点で公開情報がない。

インストール方法は公式に案内されている唯一の手順のみが存在する。バージョン固定のリリースを取得しSHA-256を検証したうえで prime-agent コマンドを導入し、IPythonランタイムを準備する。curl | sh 形式のインストーラを実行する際は、一般的な注意として、パイプする前にスクリプトの中身を確認する習慣を持つとよい。

Prime Agentが「自己改善する」と紹介される際に最も誤解されやすいのがこの点である。/refine コマンドは、現在のトラジェクトリ（実行の記録）をレビューし、成果を改善するための最小のCRUD編集をハーネスに適用する。処理はバックグラウンドで候補を検討するプランニング段階と、それを実際に反映する高速な適用段階に分かれており、過去のrefine履歴を遡ってロールバックすることも可能だ。重要なのは、/refine はベースモデルの再学習を一切行わないという点である。ここで言う「自己改善」とは、モデルの重みが変わることではなく、補助プロンプト・メモリ・スキル記述・サブエージェント仕様といったスキャフォールディング（足場）に対する明示的・永続的・可逆な変更を指す。この永続状態は rlm.harness としてIPythonカーネル内に存在し、デフォルトではセッションローカル（そのセッション内でのみ有効）である点にも注意したい。スキャフォールディングの改善という考え方自体は Loop Engineering というAIエージェントのパラダイムとも通じるところがある。

表からも分かる通り、Prime Agentの独自性は「サブエージェントを関数呼び出しとして扱う」という統一的な設計と、「ハーネス自体を永続状態としてCRUD編集できる」という点にある。ライセンス面ではOpenHandsやSWE-agentと同じくMITでの公開だが、コンテキスト管理とサブエージェント制御の思想がRLMという独自の抽象に基づく点が最大の相違点である。

Prime Agentは、単発の短いコーディング支援よりも、長時間の自律タスクや研究寄りの実験的用途に向いている。ベンチマークもARC-AGI-3やMazeBenchのような、探索と試行錯誤を要するタスクで強みを示している。導入・利用にあたっては次の点に留意したい。第一に、主インターフェースがPython REPL（IPythonカーネル）であるため、Pythonの基本操作に慣れていることが前提になる。第二に、curl | sh によるインストールはスクリプトの中身を事前に確認する運用が望ましい。第三に、/autonomous による境界つき自律モードは、実行できる操作の範囲・権限をどう設定するかがユーザー側の責任になる。第四に、ハーネスの永続状態はデフォルトでセッションローカルであるため、あるセッションで /refine によって改善したハーネスを別セッションやチームメンバーと自動的に共有することはできない。